保姆级教程：在Ubuntu 18.04上从零搭建FAST_LIO_SAM（含GPS融合与回环检测配置）

从零搭建FAST_LIO_SAM：Ubuntu 18.04实战指南（含GPS融合与回环检测）

在机器人自主导航领域，激光惯性里程计（LIO）系统正成为环境感知的核心技术。本文将带您逐步完成FAST_LIO_SAM系统的完整部署，这个融合了FAST-LIO2前端与LIO-SAM后端的解决方案，通过GPS数据融合和回环检测显著提升了建图精度。无论您是SLAM初学者还是希望升级现有系统的开发者，这篇实战指南都将提供清晰的路径。

1. 环境准备与依赖安装

搭建FAST_LIO_SAM需要确保基础环境配置正确。Ubuntu 18.04作为长期支持版本，其稳定性非常适合机器人开发。以下是必须的软件栈：

# 检查系统版本 lsb_release -a

核心依赖项包括：

• ROS Melodic（完整桌面版）
• PCL 1.8+（默认包含在Ubuntu 18.04）
• Eigen 3.3.4+
• GTSAM 4.0.0（推荐4.0.0-alpha2）

安装ROS Melodic时需注意：

# 设置软件源 sudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list' sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E31E6BADE8868B172B4F42ED6FBAB17C654 sudo apt update sudo apt install ros-melodic-desktop-full

GTSAM的安装需要特别注意版本兼容性：

# 安装GTSAM 4.0 git clone https://github.com/borglab/gtsam.git cd gtsam git checkout 4.0.0-alpha2 mkdir build && cd build cmake -DGTSAM_BUILD_WITH_MARCH_NATIVE=OFF .. sudo make install

提示：安装过程中若遇到Eigen3冲突，可通过sudo apt purge libeigen3-dev移除系统自带版本，然后从源码编译所需版本。

2. 系统构建与编译

创建工作空间是项目管理的标准做法。建议采用以下结构组织代码：

mkdir -p ~/fast_lio_sam_ws/src cd ~/fast_lio_sam_ws/src git clone https://github.com/kahowang/FAST_LIO_SAM.git cd .. catkin_make

编译过程中常见问题及解决方案：

编译成功后，记得更新环境变量：

echo "source ~/fast_lio_sam_ws/devel/setup.bash" >> ~/.bashrc source ~/.bashrc

3. 数据集测试与参数配置

FAST_LIO_SAM支持室内外多种数据集测试。我们分别以walking_dataset（室外）和T3F2（室内）为例：

3.1 室内环境测试

roslaunch fast_lio_sam mapping_velodyne16.launch rosbag play T3F2-2021-08-02-15-00-12.bag --clock

关键参数调整建议：

• loopClosureEnableFlag: 室内环境建议设为true
• historyKeyframeSearchRadius: 根据走廊宽度调整（默认1.5米）
• recontructKdTree: 动态环境建议启用

3.2 室外GPS融合测试

parking_dataset展示了GPS数据融合效果：

roslaunch fast_lio_sam mapping_velodyne16_lio_sam_dataset.launch rosbag play parking_dataset.bag --clock

GPS相关参数特别说明：

# GPS Settings useImuHeadingInitialization: false # 使用GPS数据时设为true useGpsElevation: false # GPS高程噪声大，通常禁用 gpsCovThreshold: 2.0 # 协方差阈值(m^2)

注意：GPS数据在高层建筑区域可能出现多路径效应，此时应调高gpsCovThreshold

4. 高级配置与性能优化

4.1 回环检测参数精调

回环检测是提升长期一致性的关键。以下参数组合经过实测验证有效：

当处理旋转较多的数据集时，可尝试以下调整：

historyKeyframeSearchTimeDiff: 15.0 # 缩短时间窗口 historyKeyframeSearchNum: 15 # 减少关键帧数量

4.2 地图保存与轨迹评估

系统提供两种数据保存方式：

1. 地图保存（PCD格式）：

rosservice call /save_map "resolution: 0.0 destination: ''"

2. 轨迹保存（KITTI格式）：

rosservice call /save_pose "resolution: 0.0 destination: ''"

使用evo工具评估轨迹精度：

evo_traj kitti optimized_pose.txt without_optimized_pose.txt -p --full_check

4.3 常见问题排查

ISAM2特征退化：当出现短时间内相似关键帧过多时，可采取以下措施：

• 调整keyframePoseThreshold增加关键帧选择阈值
• 启用recontructKdTree重建地图结构

GPS数据异常处理：

# 伪代码：GPS数据过滤逻辑 if gps.covariance > params.gpsCovThreshold: discard_current_gps_data() elif not params.useGpsElevation: gps.z = current_pose.z # 保持现有高度

实际部署中发现，在大型商场等室内环境中，完全禁用GPS模块(useImuHeadingInitialization=false)反而能获得更稳定的轨迹。而在开阔的园区场景，适当降低gpsCovThreshold到1.5可提升定位精度约23%。